Escolar Documentos
Profissional Documentos
Cultura Documentos
1 of 9
Li-Min Fu3:
sebuah arsitektur paralel terdistribusi dengan banyak node dan connection (hubungan). Tiap connection menghubungkan sebuah node ke node lainnya dan tiap connection mempunyai nilai bobot.
Rao, Valluru B. dan Rao, Hayagriva V., C++ Neural Networks and Fuzzy Logic, (New York: MIS:Press, 1993), p. 2. 2 Kosko, Bart, Neural Networks and Fuzzy Systems a Dynamical System Approach to Machine Intelligence, (Englewodd Cliffs: Prentice-Hall International, Inc., 1992), p. 13. 3 Li Min Fu, Neural Networks in Computer Intelligence, (McGraw-Hill International, 1994), p. 18. 4 Fausset, Laurene, Fundamentals of Neural Networks Architectures, Algorithms, and Applications, (Englewood Cliffs: Prentice-Hall International, Inc., 1994), p. 3.
2 of 9
Nigrin, A.6:
sebuah jaringan yang terdiri dari elemen-elemen sederhana dengan jumlah yang banyak dan mirip dengan jaringan saraf manusia. Tiap unit tersebut bekerja hanya pada informasi lokal yang didapatnya. Bahkan setiap elemen tersebut bekerja secara asynchronous, sehingga secara global tidak dalam waktu sistem yang sama.
Simon Haykin7:
sejumlah besar unit yang tersebar secara paralel dan memiliki kemampuan alamiah untuk menyimpan pengetahuan hasil dari percobaan dan kemudian akan menggunakannya di kemudian hari untuk memecahkan masalah, sehingga sistem ini dapat dianggap mirip dengan otak manusia, terutama jika dilihat dari dua aspek berikut: (1). Pengetahuan yang didapatkan oleh network tersebut adalah melalui proses belajar; dan (2). Bobot garis-garis penghubung antar neuron yang dikenal sebagai bobot sypnatic berfungsi untuk menyimpan pengetahuan yang diinginkan.
Jacek M. Zurada8:
sistem seluler fisik yang secara fisik dapat memperoleh, menyimpan dan kemudian menggunakan pengetahuan dari pengalamannya.
5 6
1988, AFCEA International Press, p. 60. 1993, Neural Networks for Pattern Recognition, Cambridge, MA: The MIT Press, p. 11. 7 1994, Neural Networks: A Comprehensive Foundation, New York: Macmillan, p. 2. 8 1992, Introduction To Artificial Neural Systems, Boston: PWS Publishing Company, p. xv.
3 of 9
ANN : Overview
NN telah dan terus dikembangkan sebagai generalisasi dari model-model matematika dari kognitif manusia atau syaraf biologis, berdasar asumsi-asumsi berikut:
1. Pengolahan informasi terjadi dalam sejumlah elemen sederhana, yang disebut neurons. 2. Sinyal diterima/dikirim antar neuron melalui connection links (link-link penghubung). 3. Setiap connection links memiliki weights (bobot) masing-masing, yang dalam kebanyakan NN dikalikan dengan nilai sinyal yang ditransmisikan. 4. Setiap neurons menerapkan sebuah activation function (fungsi aktivasi, yang biasanya non-linier) pada inputnya (jumlah dari nilai sinyal input yang telah diberi bobot oleh semua connection links yang menuju dirinya) untuk menentukan sinyal outputnya.
Neuron lebih lambat lima sampai enam kali lipat dari gerbang logika silikon: suatu event dalam sebuah chip silikon terjadi pada range nanodetik (10-9 detik) sedangkan event dalam suatu neural terjadi dalam millidetik (10-3 detik).9 Dalam otak manusia diperkirakan terdapat: 10 milliar neurons, dan 60 trilyun synapses atau koneksi antara neuron.
9
4 of 9
Tahun 1950-an dan 1960an: The First Golden Age of Neural Networks
Perceptrons, yang ditawarkan oleh Frank Rosenblatt (1958). Adaline, yang ditawarkan oleh Bernard Widrow dan mahasiswanya Marcian (Ted) Hoff (1960) dengan The Widrow-Hoff Learning Rule (untuk single-layer NN) yang menjadi cikal bakal Backpropagation Rule (untuk multi-layer NN).10 Madaline, yang adalah perluasan multi-layer dari Adaline (1960).
5 of 9
"Brain-State-in-a-Box", suatu penelitian lanjut dari Associative Memory NN, oleh James Andreson, Brown University (1977). Adaptive Resonance Theory 1 dan 2 (ART1 dan ART2), oleh Gail Carpenter dan Stephen Grossberg (1985, 1987, 1990) adalah pengembangan lanjut teori Self-Organizing NN dari Kohonen.
6 of 9
dalam pengertian sederhana excitatory adalah penguat, perangsang, pembangkit; sedangkan inhibitory adalah perintang, pelemah.
11
7 of 9
Fungsi-fungsi Logika
Fungsi-fungsi Logika banyak digunakan sebagai contoh sederhana pada berbagai arsitektur NN, misalnya AND, OR, dan AND NOT. Gambar 2 -- Sebuah neuron tunggal McCulloch-Pitts untuk mewujudkan fungsi logika AND.
Gambar 3 -- Sebuah neuron tunggal McCulloch-Pitts untuk mewujudkan fungsi logika OR.
Gambar 4 -- Sebuah neuron tunggal McCulloch-Pitts untuk mewujudkan fungsi logika AND NOT. Ini adalah contoh dimana kedua nilai inputnya tidak simetris (pada kasus x1=1, x2=0, dan x1=0, x2=1, hasilnya berbeda).
8 of 9
Isyu Utama Arsitektur ini Jauh hari telah memberikan "Ide Dasar" untuk pengembangan sejanjutnya pada:
Penentuan nilai yang tepat untuk bobot dan thresholdnya. Inilah prinsip utama mengapa arsitektur ini harus dipelajari. Sama sekali belum membicarakan training. Kombinasi lebih banyak neuron-neuron sederhana ke dalam sebuah sistem neural adalah sumber dari kekuatan komputasinya (akan meningkatkan performasinya). Terbukti bahwa dengan menggunakan neuron-neuron sederhana untuk fungsi logika sederhana sebagai blok dasar pembentuknya (building blocks), fungsi/aplikasi lainnya yang sedikit lebih kompleks, seperti XOR dan "Hot and Cold Model" dapat diwujudkan.
Network pada gambar 5 mewujudkan fungsi logika XOR yang dapat diekspresikan sebagai: x1 XOR x2 <----> (x1 AND NOT x2) OR (x2 AND NOT x1)
9 of 9
Dengan demikian x1 XOR x2 dapat diwujudkan dengan network 2-layer. Layer pertama (layer-1) mewujudkan z1 = x1 AND NOT x2 dan sekaligus z2 = x1 AND NOT x2. Sedangkan layer-2 hanya berisi y = z1 OR z2. Unit z1, z2, dan y, masing-masing memiliki nilai threshold 2.
receptors adalah penerima (input), sedangkan perceptors adalah perasa, yang mempersepsikan (output).